Overview
VAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR) | Grupo EasyLocal: 100% Home Office
Modalidade de Contratação: PJ ou Cooperado. Tempo de Projeto: Indeterminado.
Responsabilidades
* Anotar e preparar datasets de visão computacional.
* Projetar, treinar, validar e otimizar modelos de deep learning para classificação, detecção e segmentação de imagens.
* Treinar e implementar modelos YOLO (You Only Look Once) para tarefas de detecção de objetos.
* Desenvolver e manter pipelines de inferência para execução eficiente em produção.
* Implementar práticas de MLOps: CI/CD de modelos, versionamento de dados e experimentos, monitoramento e re-treino automático.
* Trabalhar em conjunto com engenheiros de software para integrar os modelos em sistemas e aplicações.
Requisitos obrigatórios
* Conhecimento de Python em quaisquer das bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV).
* Experiência prática com YOLO (treinamento e inferência em problemas de detecção de objetos).
* Experiência sólida em visão computacional (classificação, detecção, segmentação).
* Experiência em MLOps com quaisquer das ferramentas: AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes, Airflow.
* Conhecimento em boas práticas de engenharia de software (Git, testes automatizados, ambientes reprodutíveis).
Diferenciais
* Experiência em dados estruturados: preparação de dataset, treinamento e inferência em problemas de regressão e classificação tabular.
* Análise exploratória de dados estruturados (PCA, análise de correlação, clustering com K-Means).
* Otimização de modelos para edge devices (TensorRT, ONNX, quantização).
* Contribuições para projetos open source ou publicações técnicas.
Visão geral de métricas (exemplos)
Visão computacional (foco principal): curvas Precision-Recall (PR) e AP por classe, curva ROC e AUC, matriz de confusão, curvas de perda e acurácia durante o treinamento, distribuição de IoU (Interseção Sobre a União). Learning curves (treino vs. validação). Dados estruturados: gráficos de resíduos em regressão, calibração de probabilidade, feature importance, SHAP e PDP/ICE plots. MLOps / produção: drift de dados, distribuição de probabilidades de saída (overconfidence), métricas de latência/throughput e consumo de GPU/CPU/memória em inferência.
Como candidatar
Envie seu currículo para: (Contato). Com o assunto: (Vaga) – (Seu Nome). hashtags: #MachineLearning #DataScientist #AIEngineer #DeepLearning #MLOps #Python #TechLeadership #SeniorEngineer
#J-18808-Ljbffr